Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst rund 18 000 Hydrofonaufnahmen (je 30 Sekunden, 16 kHz) mit Multi-Label-Annotation (Schiff/Stoerung/Wal/Stille). Wandle in Mel-Spektrogramme um, baue einen CNN-Klassifikator (z. B. EfficientNet-Backbone) und einen alternativen Transformer-Klassifikator (AST — Audio Spectrogram Transformer). Bewerte beide mit Mikro-F1 und Macro-F1 (mittelt ueber Klassen, fair fuer seltene Klassen). Liefere Notebook, Vergleichstabelle und 2-seitiges Memo an die Engineering-Leitung.
Das Briefing
Was Du tust und was Du zeigst.
Detektiere Schiffe, Stoerungen und Wale auf Hydrofon-Audiosignalen mit Multi-Label-Genauigkeit, die regulatorische Berichte ersetzen kann.
Earning criteria — what you'll demonstrate
- Audio-Daten in Bild-aehnliche Repraesentationen (Mel-Spektrogramme) konvertieren
- Multi-Label-Klassifikation mit den richtigen Verlust-Funktionen (BCEWithLogitsLoss) implementieren
- Mikro- vs. Macro-F1 verstehen und situationsabhaengig waehlen
- CNN- vs. Transformer-Modelle fair gegeneinander stellen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer Vision Engineer
Spektrogramm-basierte Audio-Klassifikation nutzt dieselben Backbone-Architekturen wie Computer Vision — daher Kern-Skill fuer Vision-Engineers, die Wahrnehmung breit aufgestellt sehen wollen.
Dieses Projekt schärft
- spectrograms
- deep-learning
- pytorch
ML Researcher
CNN- und Transformer-Modelle auf einem realen industriellen Datensatz fair zu vergleichen ist klassische ML-Forschung in regulierten Anwendungen.
Dieses Projekt schärft
- audio-classification
- multi-label-classification
- model-evaluation
Machine Learning Engineer
Eine Audio-Pipeline fuer regulatorische Berichterstattung produktionsreif zu trimmen ist die Engineering-Arbeit in Energieinfrastruktur-Teams.
Dieses Projekt schärft
- audio-classification
- pytorch
- model-evaluation
Noch eine Sache